Xiaohan-Chen/bear_fault_diagnosis
Bearing fault diagnosis model based on MCNN-LSTM
해결하는 문제
이 프로젝트는 진동 데이터를 사용하여 회전 기계의 이상을 식별함으로써 베어링의 고장을 진단하는 방법을 제공합니다.
작동 방식
시스템은 다중 스케일 컨볼루션 신경망(CNN)과 장기 기억 단기 메모리(LSTM) 네트워크를 결합한 하이브리드 딥러닝 아키텍처를 사용합니다. 이 접근 방식은 베어링의 진동 신호에서 공간적 및 시간적 특징을 추출할 수 있게 해줍니다.
대상 사용자
이 도구는 CWRU 베어링 데이터 센터 데이터셋을 사용하여 동일한 고장 진단 프로세스를 자동화해야 하는 산업 유지보수 및 기계공학 분야의 엔지니어와 연구자들을 위한 것입니다.
주요 특징
- 동료 검토된 논문의 공식 베이스라인 구현.
- 최신 호환성을 위해 Keras/TensorFlow에서 PyTorch로 마이그레이션됨.
- 학습 및 검증에 CWRU 베어링 데이터 센터 데이터셋 사용.
관련
- 프로젝트
nschaetti/EchoTorch연구 목적을 위해 설계된 PyTorch 기반의 에코 스테이트 네트워크와 리저보어 컴퓨팅 구현 및 테스트 모듈로, 딥 아키텍처에 통합 가능합니다.
- 프로젝트
open-mmlab/mmengine딥러닝 모델을 위한 훈련 엔진 역할을 하는 기본적인 PyTorch 라이브러리로, 훈련 루프, 구성 및 모니터링을 위한 표준화된 구성 요소를 제공합니다.
- 프로젝트
IBM/aihwkitIBM Analog Hardware Acceleration Kit (AIHWKit)는 PCM, RRAM 등 애널로그 메모리 내 AI 칩을 시뮬레이션하는 Python/PyTorch 라이브러리입니다. 애널로그 인식 레이어, 최적화기, 고성능 CUDA/C++ 시뮬레이터, 표준 모델을 애널로그 동등 모델로 변환하는 유틸리티를 제공합니다. pip 또는 conda로 설치 가능하며, CPU/GPU(AMD ROCm 포함)에서 실행 가능하며, 연구, 알고리즘 프로토타이핑, 교육에 활용할 수 있습니다.
- 프로젝트
- 프로젝트
ztxz16/fastllmVRAM이 제한된 하드웨어에서 로컬 LLM 배포를 위한 고성능 C++ 추론 엔진으로, GPU, CPU, NUMA, 디스크 간 하이브리드 MoE 오프로드를 지원합니다.